CN110211118A - 基于深度学习的胃癌图像识别方法及系统 - Google Patents

基于深度学习的胃癌图像识别方法及系统 Download PDF

Info

Publication number
CN110211118A
CN110211118A CN201910482532.6A CN201910482532A CN110211118A CN 110211118 A CN110211118 A CN 110211118A CN 201910482532 A CN201910482532 A CN 201910482532A CN 110211118 A CN110211118 A CN 110211118A
Authority
CN
China
Prior art keywords
image
slice
gastric cancer
entity
subgraph
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910482532.6A
Other languages
English (en)
Inventor
范永刚
王翠芳
王红军
孙洁
孙虓
初瑞
张博
王思思
张君杰
张楠
王哲
付艳涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CENTRAL HOSPITAL AFFILIATED TO SHENYANG MEDICAL COLLEGE
Shenyang Zhilang Technology Co ltd
Original Assignee
CENTRAL HOSPITAL AFFILIATED TO SHENYANG MEDICAL COLLEGE
Shenyang Zhilang Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CENTRAL HOSPITAL AFFILIATED TO SHENYANG MEDICAL COLLEGE, Shenyang Zhilang Technology Co ltd filed Critical CENTRAL HOSPITAL AFFILIATED TO SHENYANG MEDICAL COLLEGE
Priority to CN201910482532.6A priority Critical patent/CN110211118A/zh
Publication of CN110211118A publication Critical patent/CN110211118A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30092—Stomach; Gastric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明实施例提供一种基于深度学习的胃癌图像识别方法及系统，其中所述方法包括：获取待识别实体切片的全切片数字化图像；将待识别实体切片的全切片数字化图像输入预先构建的胃癌图像识别模型，获得所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度；其中，所述胃癌图像识别模型基于标注的样本图像和神经网络模型训练获得。本发明实施例具有如下优点：基于神经网络识别技术解决了现有技术中由于胃癌图像识别技术落后而导致准确性低的问题，起到了高效、准确进行胃癌图像识别的有益效果。

Description

基于深度学习的胃癌图像识别方法及系统
技术领域
本发明实施例涉及图像识别技术领域，具体涉及一种基于深度学习的胃癌图像识别方法及系统。
背景技术
虽然胃癌的发病率从1975年起逐渐下降，但2012年仍有将近100万的新发病例(共951000例，占所有癌症发病率的6.8％)，使之成为世界第五大最常见的恶性肿瘤。其中，有超过70％的病例出现在发展中国家，且有一半发生在东亚(主要在中国)。在死亡率方面，胃癌是世界第三大癌症死因(共723000例死亡，占总死亡率的8.8％)。
胃癌的预后极大程度上取决于它的分期。有研究表明胃早癌的5年生存率几乎超过90％，而进展期胃癌的生存率却低于20％。所以，在高风险患癌人群中早期发现和规律随诊是降低胃癌发病率、提高患者生存率的最有效的手段。
发明内容
为此，本发明实施例提供一种基于深度学习的胃癌图像识别方法及系统，以解决现有技术中由于胃癌图像识别技术落后而导致准确性低的问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例的第一方面，提供一种胃癌图像识别方法，包括以下步骤：
获取待识别实体切片的全切片数字化图像；
将待识别实体切片的全切片数字化图像输入预先构建的胃癌图像识别模型，获得所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度；其中，所述胃癌图像识别模型基于标注的样本图像和神经网络模型训练获得；
基于所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度，获得包含胃癌图像的子图像，根据所述各包含胃癌图像的子图像的坐标信息，将所述包含胃癌图像的子图像映射到待识别实体切片的全切片数字化图像中。
进一步地，所述方法还包括以下步骤：
在待识别实体切片的全切片数字化图像中展示各子图像为胃癌图像的置信度。
进一步地，所述方法还包括以下步骤：
获取样本实体切片的全切片数字化图像，样本实体切片的全切片数字化图像包括正常实体切片的全切片数字化图像和患癌实体切片的全切片数字化图像；
对样本实体切片的全切片数字化图像进行标注，获得样本数据集；
基于样本数据集，对神经网络模型进行训练，获得胃癌图像识别模型。
进一步地，还包括以下步骤：
将样本数据集随机划分为训练集、验证集和测试集；
基于训练集对神经网络模型进行训练；
基于验证集的结果对神经网络模型进行调参；
基于测试集，测试训练后的神经网络模型的识别准确率。
进一步地，在待识别实体切片的全切片数字化图像中展示各子图像为胃癌图像的置信度的步骤，进一步包括：
基于不同置信度数值对应不同颜色的方式，在待识别实体切片的全切片数字化图像中展示各子图像为胃癌图像的置信度；其中，置信度越高，颜色越深。
进一步地，当样本实体切片的全切片数字化图像为患癌实体切片的全切片数字化图像，所述对样本实体切片的全切片数字化图像进行标注的步骤，进一步包括：基于边界框的方式将患癌实体切片的全切片数字化图像中所包含的胃癌图像进行完整地标注。
进一步地，所述对样本实体切片的全切片数字化图像进行标注，获得样本数据集的步骤，进一步包括：
对样本实体切片的全切片数字化图像进行预处理，提取样本实体切片的全切片数字化图像中的有效区域；
将预处理后的实体切片的全切片数字化图像切成预设尺寸的子图像，将子图像与标签一一对应标注；
对各标注后的子图像进行一定的概率的翻转或对称的操作处理，操作处理后各子图像所对应的标签不变。
根据本发明实施例的第二方面，提供一种胃癌图像识别系统，包括：
获取模块，用于获取待识别实体切片的全切片数字化图像；
识别模块，用于将待识别实体切片的全切片数字化图像输入预先构建的胃癌图像识别模型，获得所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度；其中，所述胃癌图像识别模型基于标注的样本图像和神经网络模型训练获得；
映射模块，用于基于所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度，获得包含胃癌图像的子图像，根据所述各包含胃癌图像的子图像的坐标信息，将所述包含胃癌图像的子图像映射到待识别实体切片的全切片数字化图像中。
根据本发明实施例的第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述胃癌图像识别方法的步骤。
根据本发明实施例的第四方面，提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述胃癌图像识别方法的步骤。
本发明实施例提供一种基于深度学习的胃癌图像识别方法及系统，其中所述方法包括：获取待识别实体切片的全切片数字化图像；将待识别实体切片的全切片数字化图像输入预先构建的胃癌图像识别模型，获得所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度；其中，所述胃癌图像识别模型基于标注的样本图像和神经网络模型训练获得；基于所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度，获得包含胃癌图像的子图像，根据所述各包含胃癌图像的子图像的坐标信息，将所述包含胃癌图像的子图像映射到待识别实体切片的全切片数字化图像中。
本发明实施例具有如下优点：基于神经网络识别技术解决了现有技术中由于胃癌图像识别技术落后而导致准确性低的问题，起到了高效、准确进行胃癌图像识别的有益效果。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的一种基于深度学习的胃癌图像识别方法整体流程示意图；
图2为本发明实施例提供的一种基于深度学习的胃癌图像识别系统整体结构示意图；
图3为本发明实施例提供的一种电子设备结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为解决现有技术中的至少一个技术问题，本发明实施例提供一种基于深度学习的胃癌图像识别方法。如图1所示，所述基于深度学习的胃癌图像识别方法包括以下步骤。
步骤S1，获取待识别实体切片的全切片数字化图像。
其中，所述待识别实体切片的全切片数字化图像为待诊断患者的胃部图像，所述待识别实体切片的全切片数字化图像的获取可以采用现有技术来实现。
步骤S2，将待识别实体切片的全切片数字化图像输入预先构建的胃癌图像识别模型，获得所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度；其中，所述胃癌图像识别模型基于标注的样本图像和神经网络模型训练获得。
步骤S3，基于所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度，获得包含胃癌图像的子图像，根据所述各包含胃癌图像的子图像的坐标信息，将所述包含胃癌图像的子图像映射到待识别实体切片的全切片数字化图像中。
将待识别实体切片的全切片数字化图像输入预先构建的胃癌图像识别模型，输出获得待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度。所述胃癌图像识别模型是基于预先标注的样本图像和现有技术中的神经网络模型训练获得。所述步骤S2输出为所述实体切片的全切片数字化图像中各子图像为胃癌图像的置信度，即所述胃癌图像识别模型判断所述子图像中包含胃癌图像的概率值。
其中，对训练胃癌图像识别模型的步骤举例如下：获取胃正常实体切片和患胃癌实体切片的全切片数字化图像；对获取的图像数据进行标注并记录标注信息于记录文件中；对图像数据进行预处理并提取出有效区域，将有效区域中的胃正常图片切成一定大小的小片，标签为正常。将标注的患癌部分同样切成相同大小的小片，标签为癌症。确保图像的病理诊断结果与标签一致。全部的小片与标签共同构成深度学习数据集；将数据集随机划分为训练集、验证集和测试集；采用训练集对模型进行训练；将测试集作为输入传进已经训练好的模型，输出坐标信息、分类结果和置信度；根据坐标信息，将结果映射到原始的全切片数字化图像上，颜色根据置信度的数值范围会有不同的显示。其中，所述的标注图像数据中的对获取的图像数据中患癌部分进行标注，包括：以边界框的形式将患癌部分完整地标出来。所述的记录文件为JSON文件。所述的训练的模型为残差网络Resnet。
本发明实施例提供一种基于深度学习的胃癌图像识别方法，其中所述方法包括：获取待识别实体切片的全切片数字化图像；将待识别实体切片的全切片数字化图像输入预先构建的胃癌图像识别模型，获得所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度；其中，所述胃癌图像识别模型基于标注的样本图像和神经网络模型训练获得。本发明实施例具有如下优点：基于神经网络识别技术解决了现有技术中由于胃癌图像识别技术落后而导致准确性低的问题，起到了高效、准确进行胃癌图像识别的有益效果。
在本发明上述实施例的基础上，提供一种基于深度学习的胃癌图像识别方法，所述方法还包括以下步骤：在待识别实体切片的全切片数字化图像中展示各子图像为胃癌图像的置信度。
进一步地，基于不同置信度数值对应不同颜色的方式，在待识别实体切片的全切片数字化图像中展示各子图像为胃癌图像的置信度；其中，置信度越高，颜色越深。
本发明实施例具有如下优点：基于神经网络识别技术解决了现有技术中由于胃癌图像识别技术落后而导致准确性低的问题，起到了高效、准确进行胃癌图像识别的有益效果。
在本发明上述实施例的基础上，提供一种基于深度学习的胃癌图像识别方法，所述方法还包括以下步骤：获取样本实体切片的全切片数字化图像，样本实体切片的全切片数字化图像包括正常实体切片的全切片数字化图像和患癌实体切片的全切片数字化图像；对样本实体切片的全切片数字化图像进行标注，获得样本数据集；基于样本数据集，对神经网络模型进行训练，获得胃癌图像识别模型。
进一步地，将样本数据集随机划分为训练集、验证集和测试集；
基于训练集对神经网络模型进行训练；
基于验证集的结果对神经网络模型进行调参；
基于测试集，测试训练后的神经网络模型的识别准确率。
本发明实施例具有如下优点：基于神经网络识别技术解决了现有技术中由于胃癌图像识别技术落后而导致准确性低的问题，起到了高效、准确进行胃癌图像识别的有益效果。
在本发明上述实施例的基础上，提供一种基于深度学习的胃癌图像识别方法，在待识别实体切片的全切片数字化图像中展示各子图像为胃癌图像的置信度的步骤，进一步包括：
基于不同置信度数值对应不同颜色的方式，在待识别实体切片的全切片数字化图像中展示各子图像为胃癌图像的置信度；其中，置信度越高，颜色越深。
本发明实施例具有如下优点：基于神经网络识别技术解决了现有技术中由于胃癌图像识别技术落后而导致准确性低的问题，起到了高效、准确进行胃癌图像识别的有益效果。
在本发明上述实施例的基础上，提供一种基于深度学习的胃癌图像识别方法，当样本实体切片的全切片数字化图像为患癌实体切片的全切片数字化图像，所述对样本实体切片的全切片数字化图像进行标注的步骤，进一步包括：基于边界框的方式将患癌实体切片的全切片数字化图像中所包含的胃癌图像进行完整地标注。
本发明实施例具有如下优点：基于神经网络识别技术解决了现有技术中由于胃癌图像识别技术落后而导致准确性低的问题，起到了高效、准确进行胃癌图像识别的有益效果。
在本发明上述实施例的基础上，提供一种基于深度学习的胃癌图像识别方法，所述对样本实体切片的全切片数字化图像进行标注，获得样本数据集的步骤，进一步包括：
对样本实体切片的全切片数字化图像进行预处理，提取样本实体切片的全切片数字化图像中的有效区域；
将预处理后的实体切片的全切片数字化图像切成预设尺寸的子图像，将子图像与标签一一对应标注；
对各标注后的子图像进行一定的概率的翻转或对称的操作处理，操作处理后各子图像所对应的标签不变。
本发明实施例具有如下优点：基于神经网络识别技术解决了现有技术中由于胃癌图像识别技术落后而导致准确性低的问题，起到了高效、准确进行胃癌图像识别的有益效果。
为解决现有技术中的至少一个技术问题，本发明实施例提供一种胃癌图像识别系统，如图2所示，包括：
获取模块21，用于获取待识别实体切片的全切片数字化图像。
其中，所述待识别实体切片的全切片数字化图像为待诊断患者的实体切片的全切片数字化图像，所述待识别实体切片的全切片数字化图像的获取可以采用现有技术来实现。
识别模块22，用于将待识别实体切片的全切片数字化图像输入预先构建的胃癌图像识别模型，获得所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度；其中，所述胃癌图像识别模型基于标注的样本图像和神经网络模型训练获得。
映射模块23，用于基于所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度，获得包含胃癌图像的子图像，根据所述各包含胃癌图像的子图像的坐标信息，将所述包含胃癌图像的子图像映射到待识别实体切片的全切片数字化图像中。将待识别实体切片的全切片数字化图像输入预先构建的胃癌图像识别模型，输出获得待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度。所述胃癌图像识别模型是基于预先标注的样本图像和现有技术中的神经网络模型训练获得。所述步骤S2输出为所述实体切片的全切片数字化图像中各子图像为胃癌图像的置信度，即所述胃癌图像识别模型判断所述子图像中包含胃癌图像的概率值。
其中，对训练胃癌图像识别模型的步骤举例如下：获取胃正常实体切片和患胃癌实体切片的全切片数字化图像；对获取的图像数据进行标注并记录标注信息于记录文件中；对图像数据进行预处理并提取出有效区域，将有效区域中的胃正常图片切成一定大小的小片，标签为正常。将标注的患癌部分同样切成相同大小的小片，标签为癌症。确保图像的病理诊断结果与标签一致。全部的小片与标签共同构成深度学习数据集；将数据集随机划分为训练集、验证集和测试集；采用训练集对模型进行训练；将测试集作为输入传进已经训练好的模型，输出坐标信息、分类结果和置信度；根据坐标信息，将结果映射到原始的全切片数字化图像上，颜色根据置信度的数值范围会有不同的显示。其中，所述的标注图像数据中的对获取的图像数据中患癌部分进行标注，包括：以边界框的形式将患癌部分完整地标出来。所述的记录文件为JSON文件。所述的训练的模型为残差网络Resnet。
本发明实施例提供一种基于深度学习的胃癌图像识别系统，其中所述系统包括：获取模块，用于获取待识别实体切片的全切片数字化图像。识别模块，用于将待识别实体切片的全切片数字化图像输入预先构建的胃癌图像识别模型，获得所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度；其中，所述胃癌图像识别模型基于标注的样本图像和神经网络模型训练获得。本发明实施例具有如下优点：基于神经网络识别技术解决了现有技术中由于胃癌图像识别技术落后而导致准确性低的问题，起到了高效、准确进行胃癌图像识别的有益效果。
在本发明上述实施例的基础上，提供一种基于深度学习的胃癌图像识别系统，还包括展示模块，用于在待识别实体切片的全切片数字化图像中展示各子图像为胃癌图像的置信度。
进一步，展示模块用于基于不同置信度数值对应不同颜色的方式，在待识别实体切片的全切片数字化图像中展示各子图像为胃癌图像的置信度；其中，置信度越高，颜色越深。
本发明实施例具有如下优点：基于神经网络识别技术解决了现有技术中由于胃癌图像识别技术落后而导致准确性低的问题，起到了高效、准确进行胃癌图像识别的有益效果。
在本发明上述实施例的基础上，提供一种基于深度学习的胃癌图像识别系统，还包括训练模块，进一步用于获取样本实体切片的全切片数字化图像，样本实体切片的全切片数字化图像包括正常实体切片的全切片数字化图像和患癌实体切片的全切片数字化图像；对样本实体切片的全切片数字化图像进行标注，获得样本数据集；基于样本数据集，对神经网络模型进行训练，获得胃癌图像识别模型。
本发明实施例具有如下优点：基于神经网络识别技术解决了现有技术中由于胃癌图像识别技术落后而导致准确性低的问题，起到了高效、准确进行胃癌图像识别的有益效果。
在本发明上述实施例的基础上，提供一种基于深度学习的胃癌图像识别系统，训练模块进一步用于：将样本数据集随机划分为训练集、验证集和测试集；
基于训练集对神经网络模型进行训练；
基于验证集的结果对神经网络模型进行调参；
基于测试集，测试训练后的神经网络模型的识别准确率。
本发明实施例具有如下优点：基于神经网络识别技术解决了现有技术中由于胃癌图像识别技术落后而导致准确性低的问题，起到了高效、准确进行胃癌图像识别的有益效果。
在本发明上述实施例的基础上，提供一种基于深度学习的胃癌图像识别系统，在待识别实体切片的全切片数字化图像中展示各子图像为胃癌图像的置信度的步骤，进一步包括：
基于不同置信度数值对应不同颜色的方式，在待识别实体切片的全切片数字化图像中展示各子图像为胃癌图像的置信度；其中，置信度越高，颜色越深。
本发明实施例具有如下优点：基于神经网络识别技术解决了现有技术中由于胃癌图像识别技术落后而导致准确性低的问题，起到了高效、准确进行胃癌图像识别的有益效果。
在本发明上述实施例的基础上，提供一种基于深度学习的胃癌图像识别系统，当样本实体切片的全切片数字化图像为患癌实体切片的全切片数字化图像，所述对样本实体切片的全切片数字化图像进行标注的步骤，进一步包括：基于边界框的方式将患癌实体切片的全切片数字化图像中所包含的胃癌图像进行完整地标注。
本发明实施例具有如下优点：基于神经网络识别技术解决了现有技术中由于胃癌图像识别技术落后而导致准确性低的问题，起到了高效、准确进行胃癌图像识别的有益效果。
在本发明上述实施例的基础上，提供一种基于深度学习的胃癌图像识别系统，所述对样本实体切片的全切片数字化图像进行标注，获得样本数据集的步骤，进一步包括：
对样本实体切片的全切片数字化图像进行预处理，提取样本实体切片的全切片数字化图像中的有效区域；
将预处理后的实体切片的全切片数字化图像切成预设尺寸的子图像，将子图像与标签一一对应标注；
对各标注后的子图像进行一定的概率的翻转或对称的操作处理，操作处理后各子图像所对应的标签不变。
本发明实施例具有如下优点：基于神经网络识别技术解决了现有技术中由于胃癌图像识别技术落后而导致准确性低的问题，起到了高效、准确进行胃癌图像识别的有益效果。
图3示例了一种服务器的实体结构示意图，如图3所示，该服务器可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：获取待识别实体切片的全切片数字化图像；将待识别实体切片的全切片数字化图像输入预先构建的胃癌图像识别模型，获得所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度；其中，所述胃癌图像识别模型基于标注的样本图像和神经网络模型训练获得。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取待识别实体切片的全切片数字化图像；将待识别实体切片的全切片数字化图像输入预先构建的胃癌图像识别模型，获得所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度；其中，所述胃癌图像识别模型基于标注的样本图像和神经网络模型训练获得。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种胃癌图像识别方法，其特征在于，包括以下步骤：
获取待识别实体切片的全切片数字化图像；
将待识别实体切片的全切片数字化图像输入预先构建的胃癌图像识别模型，获得所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度；其中，所述胃癌图像识别模型基于标注的样本图像和神经网络模型训练获得；
基于所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度，获得包含胃癌图像的子图像，根据所述各包含胃癌图像的子图像的坐标信息，将所述包含胃癌图像的子图像映射到待识别实体切片的全切片数字化图像中。
2.根据权利要求1所述的胃癌图像识别方法，其特征在于，所述方法还包括以下步骤：
在待识别实体切片的全切片数字化图像中展示各子图像为胃癌图像的置信度。
3.根据权利要求1所述的胃癌图像识别方法，其特征在于，所述方法还包括以下步骤：
获取样本实体切片的全切片数字化图像，样本实体切片的全切片数字化图像包括正常实体切片的全切片数字化图像和患癌实体切片的全切片数字化图像；
对样本实体切片的全切片数字化图像进行标注，获得样本数据集；
基于样本数据集，对神经网络模型进行训练，获得胃癌图像识别模型。
4.根据权利要求3所述的胃癌图像识别方法，其特征在于，还包括以下步骤：
将样本数据集随机划分为训练集、验证集和测试集；
基于训练集对神经网络模型进行训练；
基于验证集的结果对神经网络模型进行调参；
基于测试集，测试训练后的神经网络模型的识别准确率。
5.根据权利要求2所述的胃癌图像识别方法，其特征在于，在待识别实体切片的全切片数字化图像中展示各子图像为胃癌图像的置信度的步骤，进一步包括：
基于不同置信度数值对应不同颜色的方式，在待识别实体切片的全切片数字化图像中展示各子图像为胃癌图像的置信度；其中，置信度越高，颜色越深。
6.根据权利要求3所述的胃癌图像识别方法，其特征在于，当样本实体切片的全切片数字化图像为患癌实体切片的全切片数字化图像，所述对样本实体切片的全切片数字化图像进行标注的步骤，进一步包括：基于边界框的方式将患癌实体切片的全切片数字化图像中所包含的胃癌图像进行完整地标注。
7.根据权利要求3所述的胃癌图像识别方法，其特征在于，所述对样本实体切片的全切片数字化图像进行标注，获得样本数据集的步骤，进一步包括：
对样本实体切片的全切片数字化图像进行预处理，提取样本实体切片的全切片数字化图像中的有效区域；
将预处理后的实体切片的全切片数字化图像切成预设尺寸的子图像，将子图像与标签一一对应标注；
对各标注后的子图像进行一定的概率的翻转或对称的操作处理，操作处理后各子图像所对应的标签不变。
8.一种胃癌图像识别系统，其特征在于，包括：
获取模块，用于获取待识别实体切片的全切片数字化图像；
识别模块，用于将待识别实体切片的全切片数字化图像输入预先构建的胃癌图像识别模型，获得所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度；其中，所述胃癌图像识别模型基于标注的样本图像和神经网络模型训练获得；
映射模块，用于基于所述待识别实体切片的全切片数字化图像中各子图像为胃癌图像的置信度，获得包含胃癌图像的子图像，根据所述各包含胃癌图像的子图像的坐标信息，将所述包含胃癌图像的子图像映射到待识别实体切片的全切片数字化图像中。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述胃癌图像识别方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述胃癌图像识别方法的步骤。
CN201910482532.6A 2019-06-04 2019-06-04 基于深度学习的胃癌图像识别方法及系统 Pending CN110211118A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910482532.6A CN110211118A (zh) 2019-06-04 2019-06-04 基于深度学习的胃癌图像识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910482532.6A CN110211118A (zh) 2019-06-04 2019-06-04 基于深度学习的胃癌图像识别方法及系统

Publications (1)

Publication Number Publication Date
CN110211118A true CN110211118A (zh) 2019-09-06

Family

ID=67790707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910482532.6A Pending CN110211118A (zh) 2019-06-04 2019-06-04 基于深度学习的胃癌图像识别方法及系统

Country Status (1)

Country Link
CN (1) CN110211118A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110495847A (zh) * 2019-08-23 2019-11-26 重庆天如生物科技有限公司 基于深度学习的消化道早癌辅助诊断系统和检查装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101149398A (zh) * 2007-09-14 2008-03-26 电子科技大学 一种三维波形实时显示方法和系统
CN103033664A (zh) * 2012-12-24 2013-04-10 电子科技大学 一种数字三维示波器的波形亮度调节和校正方法
CN107368670A (zh) * 2017-06-07 2017-11-21 万香波 基于大数据深度学习的胃癌病理诊断支持系统和方法
CN107909095A (zh) * 2017-11-07 2018-04-13 江苏大学 一种基于深度学习的图像识别方法
CN109085244A (zh) * 2018-07-10 2018-12-25 南京邮电大学 一种基于压电阵列的非线性Lamb波结构疲劳损伤层析成像方法
CN109584218A (zh) * 2018-11-15 2019-04-05 首都医科大学附属北京友谊医院 一种胃癌图像识别模型的构建方法及其应用

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101149398A (zh) * 2007-09-14 2008-03-26 电子科技大学 一种三维波形实时显示方法和系统
CN103033664A (zh) * 2012-12-24 2013-04-10 电子科技大学 一种数字三维示波器的波形亮度调节和校正方法
CN107368670A (zh) * 2017-06-07 2017-11-21 万香波 基于大数据深度学习的胃癌病理诊断支持系统和方法
CN107909095A (zh) * 2017-11-07 2018-04-13 江苏大学 一种基于深度学习的图像识别方法
CN109085244A (zh) * 2018-07-10 2018-12-25 南京邮电大学 一种基于压电阵列的非线性Lamb波结构疲劳损伤层析成像方法
CN109584218A (zh) * 2018-11-15 2019-04-05 首都医科大学附属北京友谊医院 一种胃癌图像识别模型的构建方法及其应用

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110495847A (zh) * 2019-08-23 2019-11-26 重庆天如生物科技有限公司 基于深度学习的消化道早癌辅助诊断系统和检查装置
CN110495847B (zh) * 2019-08-23 2021-10-08 重庆天如生物科技有限公司 基于深度学习的消化道早癌辅助诊断系统和检查装置

Similar Documents

Publication Publication Date Title
EP3938948A1 (en) Multiple instance learner for prognostic tissue pattern identification
CN107908635A (zh) 建立文本分类模型以及文本分类的方法、装置
US10169872B2 (en) Classification of severity of pathological condition using hybrid image representation
CN108109152A (zh) 医学图像分类和分割方法和装置
CN110765907A (zh) 一种基于深度学习的视频中试卷纸质文档信息提取系统及方法
CN113989662B (zh) 一种基于自监督机制的遥感图像细粒度目标识别方法
CN111062389A (zh) 文字识别方法、装置、计算机可读介质及电子设备
CN111145176A (zh) 一种基于深度神经网络的胃癌淋巴结染色病理图像自动识别方法和系统
US11967181B2 (en) Method and device for retinal image recognition, electronic equipment, and storage medium
CN109300530A (zh) 病理图片的识别方法及装置
CN108229485A (zh) 用于测试用户界面的方法和装置
CN108229344A (zh) 图像处理方法和装置、电子设备、计算机程序和存储介质
Albahli et al. DCNet: DenseNet-77-based CornerNet model for the tomato plant leaf disease detection and classification
CN112017185A (zh) 病灶分割方法、装置及存储介质
CN111882559B (zh) Ecg信号的获取方法及装置、存储介质、电子装置
CN111814563A (zh) 一种种植结构的分类方法及装置
CN108229545B (zh) 青光眼诊断的方法、装置及电子设备
CN109299279A (zh) 一种数据处理方法、设备、系统和介质
CN110968664A (zh) 一种文书检索方法、装置、设备及介质
Deng et al. An effective image-based tomato leaf disease segmentation method using MC-UNet
CN110211118A (zh) 基于深度学习的胃癌图像识别方法及系统
CN109344852A (zh) 图像识别方法和装置、分析仪器和存储介质
CN112989164A (zh) 搜索结果处理方法、装置及电子设备
CN108734718A (zh) 用于图像分割的处理方法、装置、产品、存储介质及设备
Tran et al. Real-time recognition of medicinal plant leaves using bounding-box based models

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190906